结合极化特征和分水岭的极化SAR图像分类方法技术

本发明专利技术公开了一种结合极化特征和分水岭的极化SAR图像分类方法。本发明专利技术实现的步骤为：(1)读入极化合成孔径雷达SAR数据；(2)计算像素标记；(3)划分区域；(4)标定区域标记；(5)标定区域大小；(6)更新区域标记；(7)分配颜色，输出最终分类结果。本发明专利技术相比现有技术基于区域的阈值划分方法，保证了分类结果中区域一致性，较好的保持了图像中不同区域的边缘信息，解决了极化信息利用不充分和区域划分不完整的问题。本发明专利技术可应用于极化合成孔径雷达SAR图像目标检测和目标识别。

Polarimetric SAR image classification method combining polarization features and watershed polarization

The invention discloses a polarization SAR image classification method combining polarization characteristics and a watershed. The invention comprises the following steps: (1) read the polarimetric synthetic aperture radar SAR data; (2) calculate the pixel marker; (3) regional division; (4) calibration region labeling; (5) the calibration area size; (6) the update region marker; (7) the distribution of colors, output the final classification results. Compared with the prior art, threshold segmentation method based on region, to ensure the consistency of regional classification results, the better to maintain the different regions of the image edge information, solve the polarization information utilization and regional division of the problem of incomplete. The invention can be applied to target detection and target recognition of polarimetric synthetic aperture radar SAR images.

【技术实现步骤摘要】
结合极化特征和分水岭的极化SAR图像分类方法
本专利技术属于图像处理
，更进一步涉及极化合成孔径雷达(SyntheticApertureRadar,SAR)图像分类
中的一种结合极化特征和分水岭的极化合成孔径雷达SAR图像分类方法。本专利技术可应用于对极化合成孔径雷达SAR图像的不同区域准确地进行分类、目标识别。
技术介绍
合成孔径雷达SAR图像分类是通过对极化数据的分析，划分出感兴趣的目标或区域的过程。合成孔径雷达SAR图像分类是遥感图像分类的主要组成部分，随着雷达技术的发展，利用极化合成孔径雷达SAR图像分类的研究日益受到人们的重视。极化合成孔径雷达SAR图像分类技术在地质勘探、森林状态监控、海冰分布监视以及农作物生长状况评估等多个领域得到广泛的应用。由于雷达图像在成像过程中不可避免地会产生相干斑，从分类的角度看，相干斑可被认为是噪声，而基于像素的分类方法对噪声的敏感度很高，所以极化合成孔径雷达SAR图像的分类方法经常是基于目标或对象的区域处理方式。基于区域处理的方法主要为基于图像分割的方法，例如：W.Yonghui等发表的论文“RegionbasedclassificationofpolarimetricSARimagesusingWishartMRF”(IEEETransonGeoscienceandRemoteSensingLetters,2008,5(4):668-672)提出了一种基于区域的WishartMRF(Region-based-WMRF)估计的方法。该方法先利用MRF过分割算法得到划分的子区域，再利用Wishart分类器对每一个区域重新标记，从而有效地提高了分类的精度，但是该方法仍然存在的不足是，该方法属于阈值划分方法，分类结果中明显地出现了块效应，不能很好地保持各类的区域完整性。上海交通大学在其专利申请“一种具有空间自适应性的极化SAR图像分割方法”(专利申请号：20121011531.9，公开号：CN102722883A)中提出一种具有空间自适应性的极化SAR图像分割方法。该方法首先对极化数据进行Cloude分解处理，对处理结果进行基于像素的最大似然分类，然后对分类结果进行四叉树分解得到初始分割区域，最后利用Wishart分布和马尔科夫随机场对初始分割区域的大小和形状进行调整，得到最终的分割结果。但是这种方法存在的不足是，Cloude分解只能将图像划分为8类且四叉树分解采用阈值来设定区域大小，这样会与真实目标产生偏差。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提出一种结合极化特征和分水岭的极化合成孔径雷达SAR图像分类方法。本专利技术相比基于阈值划分区域的方法提高了目标保持的准确性，充分利用了极化合成孔径雷达SAR图像的极化特征和分水岭区域划分算法，在保证图像分类信息的完整性的同时，提高了极化合成孔径雷达SAR图像分类的质量。本专利技术实现上述目的的思路是：先对待分类极化合成孔径雷达SAR图像进行散射角和功率图的联合似然概率计算像素的最大似然标记，然后对待分类图像进行修正的分水岭算法划分区域，再对划分的区域标定区域的标记和标定区域的大小，最后采用两种不同的策略分别对大小区域进行区域标记的更新，得到最终的分类结果。本专利技术的步骤包括如下：(1)读入一幅待分类的极化合成孔径雷达SAR图像中相干矩阵T。(2)计算像素的标记；(2a)提取待分类的极化合成孔径雷达SAR图像中相干矩阵T的对角线元素T11,T22,T33，用0.4，0.2，0.4分别依次对对角线元素T11,T22,T33进行加权处理，将加权处理后的对角线元素相加，对相加的结果进行归一化处理至0到255之间，得到功率值；(2b)对待分类的极化合成孔径雷达SAR图像中相干矩阵T，进行Cloude分解，得到散射角α；(2c)在待分类的极化合成孔径雷达SAR图像中每一类地物上，按照SAR图像总像素点的0.5％随机取像素点，分别提取每一类地物选取像素点所对应的功率值和散射角，将提取的功率值和散射角作为训练数据；(2d)计算待分类的极化合成孔径雷达SAR图像中每一个像素点的联合似然概率，得到各像素点的最大似然标记。(3)划分区域；(3a)将像素的最大似然标记与待分类的极化合成孔径雷达SAR图像中功率值的梯度图进行叠加，得到修正后的梯度图；(3b)对修正后的梯度图进行分水岭划分，得到划分的区域。(4)标定区域标记；(4a)如果划分区域中存在像素标记相同的像素个数达到二分之一以上，将该像素标记标定为划分区域的标记，若划分区域中不存在像素标记相同的像素个数达到二分之一以上，则执行步骤(4b)，否则，执行步骤(4c)；(4b)找出划分区域中相邻区域的标记最多的类别，将该类别标定为划分区域的标记；(4c)判断待分类的极化合成孔径雷达SAR图像划分区域的标记是否全部完成，若否，重复步骤(4a)、步骤(4b)，若是，执行步骤(5)。(5)标定区域大小；(5a)依次读入待分类的极化合成孔径雷达SAR图像中划分区域，判断读入的划分区域的像素个数是否大于100，若大于，执行步骤(5b)，否则，执行步骤(5c)；(5b)将读入的划分区域标定为大区域，(5c)将读入的划分区域标定为小区域；(5d)判断待分类的极化合成孔径雷达SAR图像中划分区域的大小标记是否全部完成，若否，重复步骤(5a)、步骤(5b)、步骤(5c)，若是，执行步骤(6)。(6)更新区域标记；(6a)用聚类中心公式，计算每一类的聚类中心；(6b)依次读取极化合成孔径雷达SAR图像标定的区域大小，若为小区域，执行步骤(6c)，否则，执行步骤(6d)；(6c)对小区域，用以下最大后验概率公式，得到更新的区域标记：其中，表示小区域r更新后的区域标记，arg表示求取满足条件的参数操作，max表示求解参数最大值的操作，xr表示小区域r当前的区域标记，xr的取值范围为1,2,…K，K表示极化合成孔径雷达SAR图像所划分的类别数，r表示极化合成孔径雷达SAR图像中的小区域，yr表示小区域r的观测数据，P(yr|xr)表示小区域的最大后验概率中的似然概率，表示小区域的最大后验概率中的背景先验概率，表示小区域r的相邻区域；(6d)对大区域，用以下最大似然概率公式，得到更新的区域标记：其中，表示大区域更新的区域标记，arg表示求取满足条件的参数操作，max表示求解参数最大值的操作，表示大区域当前的区域标记，的取值范围为1,2,…K，K表示极化合成孔径雷达SAR图像所划分的类别数，表示极化合成孔径雷达SAR图像中大区域，表示大区域的最大似然概率中的似然概率，表示大区域的观测数据；(6e)判断读取的极化合成孔径雷达SAR图像区域是否完成，若否，重复步骤(6b)、步骤(6c)、步骤(6d)，若是，执行步骤(6f)；(6f)判断更新的区域标记迭代次数是否达到20次，若否，重复步骤(6a)、步骤(6b)、步骤(6c)、步骤(6d)、步骤(6e)，若是，执行步骤(7)。(7)用红色R、绿色G、蓝色B三个颜色分量作为三基色，根据三基色原理给步骤(6)中的区域标记结果分配颜色，得到彩色分类结果图。本专利技术与现有技术本文档来自技高网...

【技术保护点】
一种结合极化特征和分水岭的极化SAR图像分类方法，包括如下步骤：(1)读入一幅待分类的极化合成孔径雷达SAR图像中相干矩阵T；(2)计算像素的标记；(2a)提取待分类的极化合成孔径雷达SAR图像中相干矩阵T的对角线元素T

【技术特征摘要】
1.一种结合极化特征和分水岭的极化SAR图像分类方法，包括如下步骤：(1)读入一幅待分类的极化合成孔径雷达SAR图像中相干矩阵T；(2)计算像素的标记；(2a)提取待分类的极化合成孔径雷达SAR图像中相干矩阵T的对角线元素T11,T22,T33，用0.4，0.2，0.4分别依次对对角线元素T11,T22,T33进行加权处理，将加权处理后的对角线元素相加，对相加的结果进行归一化处理至0到255之间，得到功率值；(2b)对待分类的极化合成孔径雷达SAR图像中相干矩阵T，进行Cloude分解，得到散射角α；(2c)在待分类的极化合成孔径雷达SAR图像中每一类地物上，按照极化合成孔径雷达SAR图像总像素点的0.5％随机取像素点，分别提取每一类地物选取像素点所对应的功率值和散射角，将提取的功率值和散射角作为训练数据；(2d)计算待分类的极化合成孔径雷达SAR图像中每一个像素点的联合似然概率，得到各像素点的最大似然标记；(3)划分区域；(3a)将像素的最大似然标记与待分类的极化合成孔径雷达SAR图像中功率值的梯度图进行叠加，得到修正后的梯度图；(3b)对修正后的梯度图进行分水岭划分，得到划分的区域；(4)标定区域标记；(4a)如果划分区域中存在像素标记相同的像素个数达到二分之一以上，将该像素标记标定为划分区域的标记，若划分区域中不存在像素标记相同的像素个数达到二分之一以上，则执行步骤(4b)，否则，执行步骤(4c)；(4b)找出划分区域中相邻区域的标记最多的类别，将该类别标定为划分区域的标记；(4c)判断待分类的极化合成孔径雷达SAR图像划分区域的标记是否全部完成，若否，重复步骤(4a)、步骤(4b)，若是，执行步骤(5)；(5)标定区域大小；(5a)依次读入待分类的极化合成孔径雷达SAR图像中划分区域，判断读入的划分区域的像素个数是否大于100，若大于，执行步骤(5b)，否则，执行步骤(5c)；(5b)将读入的划分区域标定为大区域；(5c)将读入的划分区域标定为小区域；(5d)判断待分类的极化合成孔径雷达SAR图像中划分区域的大小标记是否全部完成，若否，重复步骤(5a)、步骤(5b)、步骤(5c)，若是，执行步骤(6)；(6)更新区域标记；(6a)用聚类中心公式，计算每一类的聚类中心；(6b)依次读取极化合成孔径雷达SAR图像标定的区域大小，若为小区域，执行步骤(6c)，否则，执行步骤(6d)；(6c)对小区域，用以下最大后验概率公式，得到更新的区域标记：其中，表示小区域r更新后的区域标记，arg表示求取满足条件的参数操作，max表示求解参数最大值的操作，xr表示小区域r当前的区域标记，xr的取值范围为1,2,…K，K表示极化合成孔径雷达SAR图像所划分的类别数，r表示极化合成孔径雷达SAR图像中的小区域，yr表示小区域r的观测数据，P(yr|xr)表示小区域的最大后验概率中的似然概率，表示小区域的最大后验概率中的背景先验概率，表示小区域r的相邻区域；(6d)对大区域，用以下最大似然概率公式，得到更新的区域标记：其中，表示大区域更新的区域标记，arg表示求取满足条件的参数操作，max表示求解参数最大值的操作，表示大区域当前的区域标记，的取值范围为1,2,…K，K表示极化合成孔径雷达SAR图像所划分的类别数，表示极化合成孔径雷达SAR图像中大区域，表示大区域的最大似然概率中的似然概率，表示大区域的观测数据；(6e)判断读取的极化合成孔径雷达SAR图像区域是否完成，若否，重复步骤(6b)、步骤(6c)、步骤(6d)，若是，执行步骤(6f...

【专利技术属性】
技术研发人员：侯彪，焦李成，寇杏子，王爽，张向荣，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61